搜索Ctrl K
  • 榜单数据10-19 16:51
  • 论文数据10-19 14:23
  • 周报10-19 16:07

前沿论文周报 · 2026 年第 33 周

未发布阅读约 10 分钟AI 起草 · 人工审核已核查

本期周报由 AI 根据每日论文数据起草，深度精读基于论文正文，经独立的 AI 事实核查未发现存疑项，未经人工逐篇审核；数字与结论以论文原文为准。

各期周报

本周概览

本周入选 25 篇，全部为顶会 P1 论文，总量较 W32 增加，但历史补采周间总量不宜作趋势解释；比较方向热度宜以前 4 周 P1 周均为参照。基础模型侧 LLM 共 6 篇，高于前 4 周 P1 周均 3.5 篇，长程叙事一致性基准与情节记忆增强智能体、闭卷知识库构建等形成一条清晰线索[1][2][3]。生成方向 7 篇，文生图 3 篇高于 P1 周均 1.3，多篇强调 training-free 或采样/先验改造而非重训大模型[4][5]。理解组 VLM 5 篇，接近 P1 周均 6.3，超长视频情节记忆检索、3D 语言场景与测试时幻觉控制、3D VLM token 剪枝并进[6][7]。音频 6 篇略低于 P1 周均 7.3，但推理链路与 Whisper 微调、实时语音增强集中出现；世界模型仅 1 篇，记忆增强文本世界模型衔接规划与状态保真[8]。

研究热点

按重要性排序；动向由 AI 依据下方统计和论文内容判断

1免训练与推理侧模型增强

升温

文生图VLM图编辑

关键词 training-free 命中 3 篇，覆盖现成 DiT 高分辨率合成、VAR 跨尺度误差抑制以及 LVLM 测试时幻觉控制。HRDiT 针对 off-the-shelf DiT 的空间失序与耗时提出适配；SynVAR 在复杂场景上通过空间语义协同免训练增强 VAR；TTH 用零样本多模态分类器在测试时校验物体 token[4][5][9]。VLM 剪枝方向 Prune Once 同样强调免重训任务无关压缩[10]。本周多篇生成与理解工作采用免训练、测试时或后验控制方法，并与 LLM 侧闭卷抽取、测试时策略形成呼应。

代表论文

2长程智能体：记忆与叙事一致性

持续

LLM世界模型

episodic memory 与 LLM Agent 各命中 2 篇。NCP-Bench 将交互叙事中的承诺保持形式化，评测显示强模型在长交互下仍易出现逻辑冲突[1]。EpicStar 以跨回合情节记忆缓解 StarCraft II 上的战略漂移[2]。文本世界模型 MemWM 用世界记忆库约束下一状态想象，并配合检索技能与逐步纠错提升规划成功率[8]。LLM P1 本周 6 篇高于前 4 周 P1 周均 3.5；上述工作分别以承诺审计、情节记忆和世界记忆约束长程行为。

代表论文

3视频与驾驶场景生成效率

持续

视频生成

视频生成 P1 本周 2 篇，与前 4 周 P1 周均 1.3 相当略高。Equilibrium Forcing 去掉噪声水平条件，解耦去噪学习与采样，在自回归视频基准上强调时序一致与自适应闭环[12]。GeoFlow 用几何对齐先验缩短 flow matching 采样轨迹，面向驾驶视频的高效训练与少步推理[13]。flow matching 关键词本周 2 篇，与生成组对采样轨迹、先验分布的改造一致，重要性在于在不大改骨干的前提下压缩推理步数与条件设计复杂度。

代表论文

43D 理解：语言层次与 VLM 效率

持续

VLM

VLM 方向 5 篇 P1，略低于前 4 周 P1 周均 6.3。LEGO 将多视角分割重整为 3D 一致语义层次并构建层级语言场景图，服务开放词汇 3D 分割与空间推理[7]。CoverPrune 以最优传输做覆盖驱动的 3D VLM token 剪枝，在空间推理基准上追求训练无关的推理加速[14]。本周两篇 3D VLM 工作分别关注结构化表示与 token 覆盖效率。

代表论文

5音频推理与低算力语音链路

持续

音频LLM

音频 P1 本周 6 篇，低于前 4 周 P1 周均 7.3。SPARE 指出长 Chain-of-Thought 可能使 LALM 注意力偏离音频，用语义摘要预测在推理前约束潜空间[15]。语音增强方面，云边协同多通道增强与 RT-SEMamba 渐进蒸馏分别面向部署算力与实时因果约束[16][17]。Whisper 相关 2 篇覆盖婴儿居家音频多层标注与语言文档 ASR 流水线[18][19]。本周音频工作覆盖 Whisper 场景化微调、低算力增强与多模态推理。

代表论文

热点统计

由站点根据每日数据计算，与周报起草时提供给 AI 的统计口径一致

本周入选 25 篇：P1 顶会 25

各方向本周与前 4 周均值

按论文主方向 · 对比 W29、W30、W31、W32

本周 P1前 4 周均值（P1）
各方向本周与前 4 周均值（只算 P1）14 个研究方向的 P1 论文本周篇数与前 4 周均值的对比，按论文主方向计数；详细数值见数据表。文生图图编辑视频生成3D 生成Visual2Code3D2CodeGUI Agent世界模型具身智能VLMOCR音频LLM统一多模态3 篇1.3 篇1 篇1 篇2 篇1.3 篇1 篇1 篇0.3 篇1 篇0.3 篇1.8 篇5 篇6.3 篇6 篇7.3 篇6 篇3.5 篇0.5 篇
查看数据表
研究方向本周前 4 周均值本周 P1前 4 周均值（P1）
文生图31.331.3
图编辑11.011.0
视频生成21.321.3
3D 生成11.011.0
Visual2Code00.300.3
3D2Code00.000.0
GUI Agent00.000.0
世界模型10.310.3
具身智能01.801.8
VLM56.356.3
OCR00.000.0
音频67.367.3
LLM63.563.5
统一多模态00.500.5

口径：按论文主方向计数；均值为前几周中有每日数据的周的周均篇数，保留 1 位小数。2026-10-14 及以前为历史补采，作者单位只来自 OpenAlex，P3 论文明显偏少，前 4 周全部是补采数据；前后对比以 P1 为可比口径（默认显示）。

本周高频关键词

AI 要点关键词 · 前 15 个，按论文数

本周高频关键词共 15 个分类、1 个系列；最大值为 LLM（3 篇）。详细数值见数据表。LLMtraining-freeChain-of-Thoughtepisodic memoryflow matchingLLM AgentMLLMspeech enhancementWhisper3D dance generation3D scene understanding3D scene understandi…3D VLMactivation variationAKBCartistic synthesis3 篇3 篇2 篇2 篇2 篇2 篇2 篇2 篇2 篇1 篇1 篇1 篇1 篇1 篇1 篇
查看数据表
关键词论文数（篇）
LLM3
training-free3
Chain-of-Thought2
episodic memory2
flow matching2
LLM Agent2
MLLM2
speech enhancement2
Whisper2
3D dance generation1
3D scene understanding1
3D VLM1
activation variation1
AKBC1
artistic synthesis1

口径：同一篇论文中的同一关键词只算一次，大小写与全半角归并。

深度精读

基于论文正文撰写；每条出处的英文原句都经管线核对，确认在正文中逐字出现，结论中的数字出现在原句中

Can LLM Agents Stick to the Script? A Benchmark for Long-Horizon Consistency in Interactive Narratives

LLM Agent 能否坚守剧本？交互叙事中长程一致性的基准

arXiv:2608.08160P1 顶会正文（arXiv HTML）参考来源 [1]

要解决的问题
交互叙事中，LLM 叙述者需在多轮自由输入下维持世界状态与剧情约束；用户可对抗性跳关、否定已建立事实，现有评测多依赖主观连贯性，难以检测逻辑承诺是否被静默违背。
方法
将问题形式化为 Narrative Commitment Preservation（NCP）：维护显式事实账本与 narrative commitments，每轮叙述后由固定审计流程检测事实/承诺/玩家输入冲突并更新状态。NCP-Bench 含 100 个由电影梗概构建的环境，每条含初始事实、参考轨迹与可自动校验的承诺；对抗性玩家仅依据角色可见信息施压测试。
主要结果
强模型在长交互下仍脆弱：GPT-5.2 在 20 轮后存活率约 42%，随轮次加深存活率明显下降；事实冲突占主导，各模型事实冲突比例约 40% 至 68%。语言流畅度高并不保证承诺保持；在 100 轮上限内仅极少数运行满足全部 achievement commitments，无冲突撑满 100 轮的样本约占 3.5%。
局限
论文承认：审计模型对歧义文本判断可能不完美；提供商非确定性使相同解码设置难以 bitwise 复现；框架针对单线程、时间顺序叙事；对抗性玩家只是一种压力测试策略，真实用户模式可能不同。
意义
把「承诺保持」做成可检查任务与结构化基准，将叙述代理与审计解耦，便于比较方法；问题抽象可迁移至需长期遵守约束的 agent 场景，但当前结论主要建立在 NCP-Bench 的线性电影叙事设定上。

正文出处

  1. AbstractGPT-5.2 在 20 轮交互后存活率仅约 42%，为所测模型中最好。

    with the best-performing model (GPT-5.2) achieving only 42% survival rate after 20 turns

  2. Abstract各模型事实冲突交互占比约 40% 至 68%，是最常见失败模式。

    fact conflict rates ranging from 40% to 68% across models

  3. §5.2§5.2 再次确认 20 轮后 GPT-5.2 存活率为 42%，且随交互加深存活率整体下降。

    After 20 turns, even the strongest GPT-5.2 has a survival rate of 42%.

  4. §5.2无显式冲突且达到 100 轮上限的交互仅占全部样本的 3.5%。

    Even interactions that persist to 100 turns without explicit conflicts constitute only 3.5% of all samples.

  5. §5.2事实冲突率 GPT-5.2 最低为 40%，Qwen3-235B-A22B 最高为 68%。

    Fact conflicts are the dominant failure mode, ranging from 40% (GPT-5.2) to 68% (Qwen3-235B-A22B).

  6. AbstractNCP-Bench 由 100 个电影梗概派生的叙事环境组成。

    We introduce NCP-Bench, a benchmark of 100 narrative environments derived from movie synopses.

LLMs Are Not Good Strategists, Yet Memory-Enhanced Agency Boosts Reasoning

LLM 尚非优秀战略家，但记忆增强的智能体可提升推理能力

arXiv:2608.12626P1 顶会正文（arXiv HTML）参考来源 [2]

要解决的问题
长程、部分可观测环境中，LLM 需在数千步内维持一致战略轨迹，却常因子目标不一致与有限注意力而战略漂移，局部决策难以支撑全局目标。
方法
EpicStar 将「记忆即策略」：胜局写入 episodic memory 供检索，工作记忆以帧间隔缓存近期观测；Algorithm 1 在检索动作与 LLM 探索动作间门控，contextual fusion 把检索片段与当前情境对齐后写入提示，在 TextStarCraft II 上与 CoS 同接口对比。
主要结果
Level 5 上 EpicStar（gpt-4-turbo）胜率 75.0%，强于 CoS（gpt-4-turbo）的 60.0%；Level 6 上 EpicStar（gpt-4o-mini）为 30.0%，CoS（gpt-3.5-Turbo）仅 8.3%。同 backbone 下 token 约为 CoS 的 14.5%，摘要亦称少约一个数量级；去掉 exploration 或 fusion 会明显降胜率。
局限
作者指出：探索带来的上限与基座能力关系证据仍不足；情节记忆由少量胜局引导，未刻画记忆显著增大或含噪声、冗余、矛盾片段时的行为；复用胜局可能对采集期对手风格过拟合。
意义
在 StarCraft II 长程战略设定下，说明结构化跨回合记忆可缓解战略漂移，并以较低 token 成本提升胜率，支持将 episodic memory 视为补全 LLM 推理的非参数策略，而非单纯存储。

正文出处

  1. §5.1Level 5 上 EpicStar 胜率 75.0%（gpt-4-turbo），高于 CoS 同模型的 60.0%。

    At Level 5, EpicStar achieves a win rate of 67.5% on gpt-4o-mini and 75.0% on gpt-4-turbo, while at Level 6, it secures 30.0% with gpt-4o-mini. In contrast, the strongest baseline, CoS (gpt-4-turbo), achieves a win rate of 60.0% at Level 5.

  2. §5.1Level 6 上 CoS（gpt-3.5-Turbo）胜率仅 8.3%，EpicStar 同模型约 15%。

    CoS, however, struggles considerably at Level 6, with a win rate of just 8.3% (gpt-3.5-Turbo), and EpicStar nearly doubled the win rate to 15% with the same model.

  3. §5.1同模型下 EpicStar 的 token 消耗仅为 CoS 的 14.5%。

    Beyond the increase in win rate, our token consumption is only 14.5% of CoS when using the same models (see more details in Appendix C)

  4. Abstract相对基线，EpicStar 在更高胜率同时 token 少约一个数量级。

    It significantly outperforms baseline methods, achieving higher win rates while consuming an order of magnitude fewer tokens, and it maintains this advantage consistently across difficulty levels and opponent strategies.

  5. §5.2去掉 working memory 探索后，Level 5 胜率由 67.5% 降至 60.0%。

    at Level 5, removing exploration decreases the win rate from 67.5% (EpicStar) to 60.0%, while removing contextual fusion slightly reduces it to 65.0%.

  6. §6情节记忆规模尚小，且未研究记忆变大或含噪声、矛盾片段时的表现。

    our episodic memory was bootstrapped from a relatively small set of victories; we have not yet characterized how performance scales as the memory grows substantially larger, nor how the agent behaves when the bank contains noisy, redundant, or contradictory episodes.

Keep It Simple: Multi-Key Episodic Memory Retrieval for Ultra-Long Video Understanding

Keep It Simple：面向超长视频理解的多键情节记忆检索

arXiv:2608.07663P1 顶会正文（arXiv HTML）参考来源 [6]

要解决的问题
视频长达数小时乃至数天时，MLLM 难以端到端消化全片。超长理解需先在不已知查询的情况下建外部记忆、再在问答时检索证据；既有层级或图式记忆在预处理阶段消耗大量推理却可能偏离真实问题，亟需在建库阶段保证高召回并推迟语义组合。
方法
MERIT 将视频切为 30 秒片段并生成 dense caption，为每段抽取 event、dialogue、object、summary 四类键，检索时对查询与各键 embedding 取最大余弦相似度以提升 recall。推理阶段 agent 多轮改写检索 query；对命中片段在 ±Δ 邻域做 neighbor filtering，拼接邻域 caption 后由 solver 按问题过滤，再整合片段视觉证据作答，避免全局层级或图构建。
主要结果
在 EgoLifeQA、LVBench 与 Video-MME（Long）上报告 SOTA。GPT-5 作 solver 时，EgoLifeQA 平均准确率 71.2%，较先前最优高 5.6%；LVBench 为 71.8%，领先 9.9%；Video-MME（Long）为 77.7%。相较 WorldMM，记忆构建输入 token 约减 8.4 倍，输出 token 约减 8.6 倍。
局限
附录 failure case 指出，检索式框架只能返回有限事件片段，难以汇总全时间线上的全部实例，频率或习惯类需全局聚合的问题仍易失败。实验集中在 EgoLifeQA、LVBench 与 Video-MME Long 及 30 秒粒度记忆设定，论文未单独列出更系统的局限章节。
意义
工作支持「建库求召回、推理再做语义组合」的 intelligence allocation：轻量多键 episodic 索引配合推理时邻域扩展，可在多项超长/长视频 QA 基准上优于更重预处理的图或层级记忆，为可扩展的个人视频 agent 提供较简 pipeline 参考。

正文出处

  1. §4.3GPT-5 在 EgoLifeQA 平均准确率 71.2%，较先前 SOTA 高 5.6%。

    Using GPT-5, our framework achieves an average accuracy of 71.2%, yielding a +5.6% improvement over the previous SOTA method.

  2. §4.3LVBench 上 GPT-5 设定准确率 71.8%，较先前 SOTA 领先 9.9%。

    Specifically, on LVBench, our GPT-5 setting achieves 71.8%, outperforming the prior SOTA by a significant margin of +9.9%.

  3. Table 2Video-MME（Long）上 MERIT（GPT-5）平均准确率为 77.7%。

    MERIT (GPT-5) 71.8 77.7

  4. §4.4相对 WorldMM，记忆构建输入与输出 token 分别约减 8.4 倍与 8.6 倍。

    MERIT demonstrates a significant efficiency advantage, achieving an 8.4× reduction in input tokens and an 8.6× reduction in output tokens.

  5. AbstractMERIT 在 EgoLifeQA、LVBench、Video-MME（Long）三基准达到 state-of-the-art。

    MERIT achieves state-of-the-art performance across three long-video benchmarks: EgoLifeQA, LVBench, and Video-MME (Long).

  6. Appendix 0.E.2频率类问题受限于检索只能返回有限事件，无法聚合全片实例。

    A fundamental limitation of current retrieval-based systems is that they return a limited set of individual events, rather than aggregating all relevant instances across the entire video timeline.

论文推荐

按必读、方法亮点、数据与评测、开源项目分组，每篇附推荐理由

必读3

方法亮点3

数据与评测1

开源项目3

领域洞察

按研究方向分组，各写一段本周的研究动向与判断

生成

本周 7 篇

3D 生成 1 图编辑 1 文生图 3 视频生成 2

本周生成 7 篇 P1，文生图 3 篇高于前 4 周 P1 周均。共性是少动大权重：HRDiT、SynVAR 走 training-free；视频侧 EqF 与 GeoFlow 改噪声条件与几何先验以缩短 flow matching 轨迹[4][12]。图编辑 GST 在扩散 h 空间做全局风格引导[11]。CustomDance 以 MLLM + 扩散 inpainting 做交互 3D 编舞，跨音频次方向[21]。医学生成论文强调 tokenizer–生成器联合选型[20]。

相关论文

世界模型与具身

本周 1 篇

世界模型 1

本周 world_model 1 篇、embodied 0 篇；不宜据总量判断赛道退潮。MemWM 聚焦文本模拟器中的记忆增强状态想象与规划，引入 Structured State Fidelity，与 LLM 组长程记忆工作形成概念相邻[8]。

相关论文

理解

本周 5 篇

VLM 5

理解组 5 篇均为 VLM。超长视频 MERIT 与 3D LEGO、CoverPrune 分别占据时间轴记忆与 3D 语义/效率[6][7][14]。Prune Once 与 TTH 分别研究免重训压缩与测试时幻觉控制[10][9]。VLM P1 篇数略低于前 4 周 P1 周均。

相关论文

音频

本周 6 篇

音频 6

音频 6 篇 P1，speech enhancement 与 Whisper 关键词各命中 2 篇。SPARE 将 Chain-of-Thought 与音频 grounding 问题显式化[15]。RT-SEMamba 与云边协同增强分别瞄准实时因果与低算力部署[17][16]。Dramarrator 拓展对象式广播剧创作，偏 HCI 与生产工具[22]。

相关论文

基础模型

本周 6 篇

LLM 6

基础模型 LLM 6 篇 P1，高于前 4 周 P1 周均 3.5。除 NCP-Bench、EpicStar、REAP 外，LoKiFormer 从预训练架构解耦知识记忆[23]；价值对齐工作基于欧洲社会调查分析多模型人口差异[24]；IF:CARGO 探讨 LLM 作语义编译器而非自主博弈体[25]。Agent、记忆与知识抽取构成本周主线。

相关论文

下周关注点

  • 关注顶会放榜后是否出现 unified multimodal 或 GUI agent 方向 P1 回补。
  • 视频生成少步采样与 noise-unconditional 设计是否延续更多基准验证。
  • AKBC 闭卷抽取与 REAP 类方法的 macro-F1 能否被后续工作对标。
  • 3D VLM 剪枝与层次场景图是否出现统一评测口径。
  • INTERSPEECH 音频推理论文是否带动 LALM CoT 修正成为小热点。

参考来源

  1. [1]Can LLM Agents Stick to the Script? A Benchmark for Long-Horizon Consistency in Interactive NarrativesarXiv · 2026-08-11 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  2. [2]LLMs Are Not Good Strategists, Yet Memory-Enhanced Agency Boosts ReasoningarXiv · 2026-08-14 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  3. [3]REAP: Relation-Aware Elicitation and Parsing for Closed-Book Knowledge Base Construction from LLMsarXiv · 2026-08-12 · 摘要 · 访问于 2026-10-19↩
  4. [4]HRDiT: Training-Free High-Resolution Image Generation with Off-the-Shelf Diffusion Transformer ModelsarXiv · 2026-08-10 · 摘要 · 访问于 2026-10-19↩
  5. [5]SynVAR: Synergizing Spatial and Semantic Alignment in Visual Autoregressive ModelarXiv · 2026-08-11 · 摘要 · 访问于 2026-10-19↩
  6. [6]Keep It Simple: Multi-Key Episodic Memory Retrieval for Ultra-Long Video UnderstandingarXiv · 2026-08-11 · 正文（arXiv HTML） · 访问于 2026-10-19↩
  7. [7]LEGO: Leveled Language Gaussian SplattingarXiv · 2026-08-11 · 摘要 · 访问于 2026-10-19↩
  8. [8]MemWM: Memory-Augmented Text-Based World ModelarXiv · 2026-08-10 · 摘要 · 访问于 2026-10-19↩
  9. [9]Test-Time Hallucination Control in Large Vision-Language ModelsarXiv · 2026-08-13 · 摘要 · 访问于 2026-10-19↩
  10. [10]Prune Once: Retraining-Free Task-Agnostic Pruning for Vision-Language ModelsarXiv · 2026-08-10 · 摘要 · 访问于 2026-10-19↩
  11. [11]Through Van Gogh's Eyes: Global Style Transfer with Diffusion ModelarXiv · 2026-08-13 · 摘要 · 访问于 2026-10-19↩
  12. [12]Equilibrium Forcing: Adaptive Video Generation Without Noise ConditioningarXiv · 2026-08-12 · 摘要 · 访问于 2026-10-19↩
  13. [13]GeoFlow: Efficient Driving Video Generation via Geometry-Aligned PriorsarXiv · 2026-08-13 · 摘要 · 访问于 2026-10-19↩
  14. [14]CoverPrune: Coverage-Driven Token Pruning for 3D VLMs via Optimal TransportarXiv · 2026-08-14 · 摘要 · 访问于 2026-10-19↩
  15. [15]Enhancing Audio Reasoning via Semantic Summary PredictionarXiv · 2026-08-10 · 摘要 · 访问于 2026-10-19↩
  16. [16]Cloud-Boosted Low-Compute Multi-Channel Speech EnhancementarXiv · 2026-08-10 · 摘要 · 访问于 2026-10-19↩
  17. [17]RT-SEMamba: Real-Time Speech Enhancement Mamba via Progressive Knowledge DistillationarXiv · 2026-08-13 · 摘要 · 访问于 2026-10-19↩
  18. [18]Robust Multi-Tier Infant-Centered Audio Understanding with Whisper via Structured Speaker ConditioningarXiv · 2026-08-13 · 摘要 · 访问于 2026-10-19↩
  19. [19]Easper: An Accessible ASR Pipeline for Language DocumentationarXiv · 2026-08-13 · 摘要 · 访问于 2026-10-19↩
  20. [20]Tokenizer-Generator Coupling in Medical Image GenerationarXiv · 2026-08-11 · 摘要 · 访问于 2026-10-19↩
  21. [21]CustomDance: Customized 3D Dance Generation with Coarse-to-Fine Human-Centered Interactive ControlarXiv · 2026-08-10 · 摘要 · 访问于 2026-10-19↩
  22. [22]Dramarrator: Object-Based Audio Editing for Audio Drama Production from BooksarXiv · 2026-08-11 · 摘要 · 访问于 2026-10-19↩
  23. [23]LoKiFormer: Locality-aware Attention with Decoupled Knowledge Memory for Efficient Large Language Model PretrainingarXiv · 2026-08-13 · 摘要 · 访问于 2026-10-19↩
  24. [24]People Are Not Just Their Countries. Disentangling Social Determinants of LLM Value Alignment Across EuropearXiv · 2026-08-10 · 摘要 · 访问于 2026-10-19↩
  25. [25]IF:CARGO: LLM-Based Semantic Compilation for Al-Native Rule Programming GamesarXiv · 2026-08-13 · 摘要 · 访问于 2026-10-19↩